SavedAdd your journal

Journals / Düzce Üniversitesi Bilim ve Teknoloji Dergisi / 2019 / Cilt: 7 - Sayı: 3

Modeling of Surface Roughness Belonging to Oriental Beech Wood with an Artificial Neural Networks

Doğu Kayını Ahşabının Yüzey Pürüzlülüğünün Bir Yapay Sinir Ağı ile Modellenmesi

Hilal SİNGER
Abdullah Cemil İLÇE
Pages
1867–1878
Publication Date
2022-10-12
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

In this respect, this study declares that the surface roughness of the solid beech was perfectly predicted within far higher accuracy and relatively lower error by using the artificial neural networks approach.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:The aim of this study was to model the surface roughness of Oriental beech (Fagus orientalis Lipsky) wood with the aid of artificial neural network (ANN) approach.
📊
Key Findings & Data:Firstly, the working parameters of a wide belt sanding machine were adjusted to be the sanding belt grit size of 60-100, feeding speed from 4 m/min to 10 m/min, and sanding cutting depth from 0.1 mm until 0.3 mm, respectively.
💡
Conclusion & Impact:In this respect, this study declares that the surface roughness of the solid beech was perfectly predicted within far higher accuracy and relatively lower error by using the artificial neural networks approach.
🔬Design:Modeling & Simulation
📍Scope:Comprehensive Sample
⚙️Variables:Yüzey pürüzlülüğü · Yapay sinir ağı · Zımpara kum büyüklüğü

Abstract

The aim of this study was to model the surface roughness of Oriental beech (Fagus orientalis Lipsky) wood with the aid of artificial neural network (ANN) approach. Firstly, the working parameters of a wide belt sanding machine were adjusted to be the sanding belt grit size of 60-100, feeding speed from 4 m/min to 10 m/min, and sanding cutting depth from 0.1 mm until 0.3 mm, respectively. Secondly, after the surface roughness of the samples was experimentally recorded, the data were divided into two basic cathagories: namely, (I) the training sets and (II) test data sets. Thirdly, they were modeled by the approach of artificial neural networks so that the fundamental surface roughness parameters (Ra, Rq and Rz) can be anticipated thoroughly. The comparisons between the experimental results and theoretical findings (RRa = 0.99869, RRq = 0.9982 and RRz = 0.99882) show well-agreement with each other’s. In this respect, this study declares that the surface roughness of the solid beech was perfectly predicted within far higher accuracy and relatively lower error by using the artificial neural networks approach.

Özet

Bu çalışmanın amacı yapay sinir ağı (YSA) yaklaşımı ile doğu kayını (Fagus orientalis Lipsky) ahşabının yüzey pürüzlülüğünü modellemektir. İlk olarak, yatay bant zımpara makinesinin çalışma parametreleri (60-80-100 zımpara numarası, 4-7-10 m/dk besleme hızı ve 0,1-0,2-0,3 mm kesme derinliği) belirlenmiştir. Numunelerin yüzey pürüzlülüğü deneysel olarak kaydedildikten sonra veriler eğitim ve test veri setlerine ayrılmıştır. Daha sonra, mevcut veriler Ra, Rq ve Rz’nin tahmin değerlerini doğru bir şekilde elde etmek için YSA yaklaşımı ile modellenmiştir. Deneysel sonuçlar ile teorik bulgular arasındaki karşılaştırma (RRa = 0,99869, RRq = 0,9982 ve RRz = 0,99882) birbirleriyle iyi bir uyum içinde olduğunu göstermektedir. Bu bağlamda, bu çalışma, kayın yüzey pürüzlülüğünün yapay sinir ağları yaklaşımı kullanılarak çok daha yüksek doğrulukta ve daha düşük hatalarda mükemmel bir şekilde tahmin edildiğini göstermiştir.

🔖

Cite This Article

SİNGER, H., İLÇE, A. C. (2022). Modeling of Surface Roughness Belonging to Oriental Beech Wood with an Artificial Neural Networks. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, Cilt: 7 - Sayı: 3, 1867–1878. https://ajindex.com/articles/494274

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (13)

  1. E. Csanády, E. Magoss, and L. Tolvaj, Quality of Machined Wood Surfaces, Basel: Springer International Publishing, 2015
  2. J. B. Taylor, A. L. Carrano and R. L. Lemaster, “Quantification of process parameters in a wood sanding operation,” Forest Products Journal, vol. 49, no. 5, pp. 41–46, 1999
  3. Y. Fujiwara, Y. Fujii, Y. Sawada and S. Okumura, “Development of a parameter to reflect the roughness of a wood surface that corresponds to tactile roughness,” Holz als Roh- und Werkstoff, vol. 59, no. 5, pp. 351–355, 2001
  4. P. L. Tan, S. Sharif and I. Sudin, “Roughness models for sanded wood surfaces,” Wood Science and Technology, vol. 46, no. 1–3, pp. 129–142, 2012
  5. M. Budakçı, A. C. İlçe, D. S. Korkut and T. Gürleyen, “Evaluating the surface roughness of heat-treated wood cut with different circular saws,” BioResources, vol. 6, no. 4, pp. 4247–4258, 2011
  6. Y. Örs and I. Baykan, “The effect of planning and sanding on surface roughness of massive wood,” Turkish Journal of Agriculture and Forestry, vol. 23, no. 3, pp. 577–582, 1999
  7. B. C. Bal, “CNC makinelerinin bazı ayarlarının parça işleme süresi ve lif levhanın yüzey pürüzlülüğü üzerine etkileri,” Mobilya ve Ahşap Malzeme Araştırmaları Dergisi, c. 1, s. 1, ss. 21–30, 2018
  8. B. C. Bal ve E. Akçakaya, “CNC makineleri ile işlenen lif levhaların yüzey pürüzlülüğü üzerine bıçak adımı, besleme hızı ve kesme derinliğinin etkileri,” Mobilya ve Ahşap Malzeme Araştırmaları Dergisi, c. 1, s. 2, ss. 86–93, 2018
  9. Y. Örs ve L. Gürleyen, “Ağaç malzemede yüzey düzgünlüğüne, rendelemede kesiş yönü, bıçak sayısı ve çeşidinin etkileri,” Politeknik Dergisi, c. 5, s. 4, ss. 335–339, 2002
  10. H. Efe ve L. Gürleyen, “Bazı ağaç malzemelerde kesiş yönü, kesici adeti ve devir sayısının yüzey düzgünlüğüne etkileri,” Gazi Üniversitesi Endüstriyel Sanatlar Eğitim Fakültesi Dergisi, c. 11, s. 12, ss. 34–44, 2003
  11. C. Söğütlü, “Bazı yerli ağaç türlerinin kündekâri yapımında kullanım imkânları,” Doktora Tezi, Fen Bilimleri Enstitüsü, Gazi Üniversitesi, Ankara, Türkiye, 2004
  12. S. Tiryaki, A. Malkoçoğlu and Ş. Özşahin, “Using artificial neural networks for modeling surface roughness of wood in machining process,” Construction and Building Materials, vol. 66, pp. 329–335, 2014
  13. S. Tiryaki, Ş. Özşahin and A. Aydın, “Employing artificial neural networks for minimizing surface roughness and power consumption in abrasive machining of wood,” European Journal of Wood and Wood Products, vol. 75, no. 3, pp. 3